使用 RLVR 构建达到最先进水平的 SQL 推理模型

基于摘要分析。该研究面向自然语言查询到 SQL 执行的推理任务，探索如何利用具有可验证奖励的强化学习（RLVR）训练定制推理模型。其主要贡献是在 BIRD 上组合提示与模型选择、TAO 离线强化学习预热和在线 RLVR 训练，并报告私有测试集上的准确率结果；研究对象是数据库查询推理，而非 EEG 解码或 BCI。 训练流程先进行提示与模型选择，再使用作者称为 TAO 的离线强化学习方法预热，最后开展在线 RLVR 训练。核心机制是利用任务结果可验证这一条件提供强化学习奖励，但摘要未说明具体奖励构造、TAO 的优化目标、模型配置或在线训练细节，不能据此确定实现方式。 作者报告，在不使用 BIRD 训练集之外的额外训练数据、且不使用专有模型的条件下，其首次提交在 BIRD 私有测试集上取得不使用 self-consistency 时 73.56% 的 Accuracy，使用 self-consistency 时为 75.68%。作者称该提交达到当时最先进水平，并称使用 self-consistency 的方案比排名第二的方法需要更少的生成次数；摘要未给出该对照的名称、具体生成次数及计算成本，不能将生成次数优势直接等同于整体效率优势。 作者将 BIRD 定位为代理任务，并认为该训练框架可用于商业智能、数据科学与编程等企业领域。这是作者提出的适用性判断，不是这些领域均已验证的结果。实验协议、消融及统计信息尚未验证，复现还需核对奖励验证流程、训练与测试划分、self-consistency 的候选生成和选择方式，以及模型、代码和训练配置的开放情况。材料未提供该机制与 EEG/BCI 的具体对应关系，因此不据此提出跨领域迁移实验。